Durabilité de l’enseignement numérique de la littérature chinoise internationale via un processus de hiérarchie analytique floue et une évaluation complète floue

Résumé

Ce protocole détaille un processus hiérarchique analytique flou reproductible et un flux de travail d’évaluation complète floue (FAHP-FCE) afin de quantifier la pérennité de l’enseignement numérique assisté de la littérature chinoise internationale. Il met en œuvre la durabilité à travers les dimensions techniques, pédagogiques, culturelles et politiques, et produit des pondérations des indicateurs, des scores de dimension et un indice de durabilité interprétable pour une comparaison intercontextuelle.

Résumé

Ce protocole décrit une méthode reproductible pour évaluer la durabilité de l’enseignement numérique assisté de la littérature chinoise internationale en utilisant un modèle hybride FAHP–FCE. L’objectif global est de convertir les jugements de durabilité multidimensionnels en un indice de durabilité (SI) transparent et quantitatif. Le flux de travail construit un système d’indicateurs en quatre dimensions composé de 19 indicateurs. Les jugements d’experts établissent des pondérations d’indicateurs via FAHP, tandis que les réponses des apprenants et des enseignants aux questionnaires sont mappées aux degrés d’adhésion via la procédure FCE. La synthèse floue pondérée et la défuzzification donnent alors le SI. La mise en œuvre représentative dans trois universités en Chine (237 apprenants et 9 enseignants) a donné un SI global de 78,2 (« Bon »), avec une variation régionale significative cohérente avec les différences d’adaptation culturelle et de ressources institutionnelles. Le protocole dépend fortement de la convocation d’un comité d’experts crédible. De plus, les indicateurs doivent être opérationnels de manière cohérente, car des définitions locales différentes des politiques ou des objectifs curriculaires peuvent compliquer les comparaisons directes entre sites. Les applications futures devraient inclure une mise en œuvre longitudinale sur plusieurs semestres pour tester la stabilité des poids et des distributions de membres, ainsi que des études comparatives comparant cette approche floue à des modèles multicritères alternatifs.

Introduction

Ces dernières années, la convergence accélérée de la mondialisation et de la numérisation a transformé l’éducation internationale chinoise, passant des classes assistées par la technologie vers des écosystèmes d’apprentissage numériquement^{natifs 1,2}. Dans ce contexte, les cours de littérature chinoise occupent une place distincte car ils font plus que soutenir l’acquisition de la langue ; ils cultivent également l’identité culturelle, la sensibilité esthétique et la compétence interprétative ^3,4. Ces résultats peuvent être particulièrement fragiles dans les environnements numériques, où les approches d’évaluation dominantes privilégient souvent des gains cognitifs immédiats et facilement quantifiables tout en sous-représentant des objectifs à long horizon tels que la résonance émotionnelle, l’engagement culturel soutenu et la profondeur^{interprétative 5,6}. De manière cruciale, ce protocole évalue la durabilité éducative à travers le prisme du comportement humain. En quantifiant les réponses cognitives, l’engagement émotionnel et les comportements pédagogiques des apprenants et des enseignants interagissant avec les plateformes de littérature numérique, ce cadre traduit les expériences humaines subjectives en indicateurs comportementaux mesurables.

Les évaluations existantes restent limitées tant en portée qu’en durée. De nombreuses études reposent encore sur des mesures simplifiées de la maîtrise^{des connaissances 7}, laissant les expériences complexes des apprenants telles que le plaisir esthétique, l’empathie culturelle et l’interprétation dialogique sous-spécifiées ou traitées comme des résultats périphériques ^8,9. De plus, de courtes fenêtres d’observation — souvent plus courtes qu’un seul semestre — peuvent manquer les effets cumulatifs, notamment la manière dont les outils numériques façonnent progressivement les routines interprétatives des apprenants et comment l’expertise numérique-pédagogique des enseignants se développe à travers la pratique itérative^10,11. Les cadres d’évaluation sont également fréquemment fragmentés : les indicateurs techniques ou pédagogiques sont rapportés isolément, tandis que les conditions culturelles et politiques pouvant contraindre ou permettre une mise en œuvre durable sont rarement intégrées dans un modèle^{cohérent 12}. Cette fragmentation réduit la transférabilité entre les sites, en particulier dans les salles de littérature interculturelles, où la création de sens est intrinsèquement ouverte et sensible au^{contexte 13,14}.

Bien que les recherches précédentes aient largement exploré l’adoption d’outils numériques et les gains cognitifs à court terme dans l’acquisition du langage, les cadres d’évaluation restent fréquemment fragmentés. La littérature existante manque de modèles complets intégrant les dimensions techniques, pédagogiques, culturelles et politiques en une seule norme mesurable. Cette étude doit être menée pour combler ce déficit critique en introduisant un cadre FAHP-FCE standardisé, passant d’évaluations subjectives à court terme à un indice de durabilité transparent et reproductible qui soutient la comparaison entre sites.

Pour remédier à ces limites, ce protocole introduit un cadre reproductible pour évaluer la durabilité de l’enseignement numérique assisté de la littérature chinoise internationale. S’appuyant sur une logique de prise de décision multicritère floue, la méthode intègre le processus hiérarchique analytique flou (FAHP) avec l’évaluation complète floue (FCE⁾¹⁵ pour opérationnaliser la durabilité à travers quatre dimensions liées : fonctionnalité technique, efficacité pédagogique, adaptabilité culturelle et soutien politique. Cette approche est conçue pour offrir trois avantages pratiques par rapport aux modèles de notation « nets » : elle tire de manière transparente les pondérations des indicateurs à partir des jugements d’experts tout en tenant compte de l’incertitude linguistique ; Elle convertit les réponses aux questionnaires en diplômes d’adhésion qui reflètent mieux les perceptions graduées ; et elle fournit un indice de durabilité interprétable qui soutient la comparaison et l’analyse de sensibilité intersites 14,16,17. En intégrant la transparence interprétative, l’adaptabilité interculturelle et la fiabilité à long terme dans le flux de travail d’évaluation, le protocole va au-delà des vérifications de résultats à court terme et offre un outil d’évaluation transférable pour d’autres contextes d’enseignement numériquement médiés et^{interculturels 18}.

Protocole

S’assurer que l’étude respecte les directives institutionnelles d’éthique en recherche humaine et les réglementations applicables sur la protection des^{données 19,20}. Un consentement éclairé écrit a été obtenu de chaque participant avant toute procédure d’étude. Chaque participant attribuait un code d’étude, anonymisait tous les jeux de données et stockait la clé de liaison (identifiants <> codes) dans un fichier séparé à accès restreint. Restreindre l’accès aux données brutes uniquement au personnel autorisé, et documenter la période de conservation ainsi que le plan de suppression dans la demande d’éthique.

1. Préparation du contexte et des matériaux d’évaluation

1. Définir le contexte pédagogique (c’est-à-dire l’environnement éducatif spécifique, le profil démographique de l’apprenant et le cadre pédagogique dans lequel l’enseignement assisté numériquement se déroule).
   1. Spécifiez le type de cours (littérature chinoise internationale), la population cible et le mode d’enseignement (en présentiel, hybride ou en ligne).
   2. Définir le seuil minimum de compétence de l’apprenant (par exemple, Chinese Proficiency Test [HSK] niveau 5 ou équivalent) et indiquer les critères d’éligibilité opérationnelle (certificat de test, résultat de placement ou confirmation de l’instructeur^)21,22.
   3. Spécifiez la durée du mandat (semaines), les heures de contact, les contraintes de plateforme/outils (sans noms de marques), et l’objectif unique d’évaluation : quantifier la durabilité de l’enseignement à l’aide d’un flux de travail^{FAHP–FCE 23,24,25}.
2. Compiler la liste des matériaux
   1. Consignez tous les documents (formulaires, instruments, scripts, logiciels et stockage) dans le Table des Matériaux, y compris : (i) le questionnaire pour apprenants de 19 items (Fichier Supplémentaire S1), (ii) le formulaire de comparaison par paires expert (Fichier Supplémentaire S2), (iii) les formulaires de consentement informé, (iv) les modèles de collecte de données, et (v) les scripts d’analyse et leurs versions.
   2. Attribuez des noms de fichiers et des identifiants de version pour la reproductibilité (par exemple, fichier supplémentaire S1_questionnaire_items.pdf, fichier supplémentaire S2_expert_form.pdf, fahp_weighting.py, fce_membership.py, si_compute.py, et analysis_readme.txt)^26,27.
3. Créer le diagramme de flux de travail (Figure 1)
   1. Dessinez un organigramme d’une page résumant les sections 1 à 10, et étiquetez les entrées/sorties à chaque transfert (jugements d’experts > matrices floues > pondérations ; réponses des apprenants > matrices d’appartenance ; synthèse > Indice de Durabilité).
   2. MARQUEZ LES POINTS DE PAUSE (sections 3.2, 4.2, 8.3), qui indiquent les étapes critiques où la procédure peut être arrêtée en toute sécurité et où des artefacts de données spécifiques doivent être archivés pour garantir leur reproductibilité, et indiquent quels artefacts doivent être sauvegardés à chaque endroit.

2. Construire le cadre des indicateurs

1. Construisez une hiérarchie à trois niveaux.
   1. Attribuez l’objectif d’évaluation à quatre dimensions (fonctionnalité technique, efficacité pédagogique, adaptabilité culturelle, soutien politique).
   2. Définissez les 19 indicateurs selon les quatre dimensions (Objectif > Dimension > Indicateur), et assurez-vous que chaque indicateur soit mesurable via une réponse au questionnaire ou des preuves documentées.
2. Définissez les indicateurs et le format de la réponse.
   1. Rédigez une définition opérationnelle pour chaque indicateur, spécifiez s’il est positif (plus élevé, mieux c’est) ou négatif (plus bas, mieux c’est), et consignez la correspondance indicateur–dimension dans un dictionnaire de données (Tableau 1).
   2. Spécifier l’échelle de réponse de l’apprenant comme un format Likert à 7 points avec des ancres : 1 = fortement en désaccord ; 7 = tout à fait d’accord.
      REMARQUE : Finaliser et geler l’ensemble d’indicateurs pour réutilisation entre cohortes et archiver le dictionnaire de données et la version du Tableau 1 .

3. Constituer le panel d’experts et recueillir les jugements par deux (FAHP)

1. Recrutez un panel d’experts.
   1. Recrutez un panel multi-rôles (par exemple, enseignants en littérature, spécialistes des technologies éducatives, chercheurs en évaluation et administrateurs).
   2. Définir les critères d’éligibilité (années d’expérience, familiarité avec l’enseignement numérique et expérience dans l’enseignement interculturel), et documenter la composition du panel pour plus de transparence.
2. Collectez des comparaisons floues par paires.
   1. Formez des experts avec un bref exposé sur les dimensions/indicateurs et la signification des nombres flous triangulaires (TFN⁾28,29,30.
   2. Fournir des ancrages explicites et des exemples pour réduire la variabilité (par exemple, TFN [2, 3, 4] = « important » ; TFN [4, 5, 6] = « très important »).
   3. Collectez les jugements par paires pour (i) les quatre dimensions et (ii) les indicateurs de chaque dimension et vérifiez leur complétude avant de clôturer la session.

4. Construire des matrices de jugement floues et tester la cohérence

1. Construisons des matrices de jugement floues.
   1. Convertir les réponses par paires de chaque expert en une matrice réciproque floue à chaque niveau^{hiérarchique 25}.
   2. Vérifiez les entrées manquantes et faites respecter les règles de réciprocité avant l’agrégation.
2. Testez la cohérence et réconciliez les désaccords.
   1. Déflouer chaque matrice experte en une matrice nette à l’aide d’une règle prédéfinie, telle que le centroïde d’un nombre flou triangulaire (TFN⁾31,32,33. La valeur de crisp est calculée à l’aide de l’équation suivante :
      
      où C est la valeur nette défuzzouée, et , , et représentent respectivement la borne inférieure, la valeur modale (très probable) et la borne supérieure du TFN.
   2. Calculez le rapport de cohérence (CR) sur la matrice crisp en utilisant la procédure Analytic Hierarchy Process (AHP^{) 34,35}. Cela implique de calculer la valeur propre principale (λ_max) de la matrice, de déterminer l’indice de cohérence (, où n est la taille de la matrice), et de le diviser par l’indice aléatoire approprié (RI) pour obtenir le CR (). Fixez le seuil d’acceptation à CR < 0,10.
   3. Si le CR ≥ 0,10, renvoyer les comparaisons incohérentes à l’expert, concilier les désaccords par discussion facilitée, et ne garder en mémoire que les jugements contestés.
      POINT DE PAUSE : Archivez chaque matrice, rapport CR et journal de rapprochement en tant qu’artefacts de réplication.

5. Dériver des poids flous (sortie FAHP)

1. Agrégez les jugements individuels.
   1. Agréger des matrices expertes dans une matrice floue au niveau du groupe en utilisant un opérateur spécifié (par exemple, moyenne géométrique floue^)17,36.
   2. Enregistrez l’opérateur d’agrégation et les paramètres dans le fichier supplémentaire S2.
2. Déflouer et normaliser les poids.
   1. Défuzzez les priorités floues au niveau du groupe pour obtenir des poids nets en utilisant la même règle de défuzzification^{prédéfinie 10}.
   2. Normaliser les poids à l’intérieur de chaque niveau (somme des dimensions à 1 ; somme des indicateurs à l’intérieur de chaque dimension à 1) et produire les vecteurs de poids de dimension finale et d’indicateurs.
   3. Remplissez la Table 1 avec les poids finaux et verrouillez la version de table utilisée pour la section FCE suivante.

6. Concevoir et administrer le questionnaire pour les apprenants

1. Prépare l’instrument.
   1. Fournir les 19 éléments complets mot pour mot dans le fichier supplémentaire S1, chacun correspondant à un indicateur du Tableau 1.
   2. Utilisez une échelle de Likert à 7 points avec un texte d’ancrage clair imprimé sur chaque page/écran (1 = fortement en désaccord ; 7 = fortement d’accord).
   3. Testez le questionnaire en pilote avec un petit groupe (par exemple, 10 à 15 apprenants) pour confirmer la compréhension et le temps de^{complétion 37}.
2. Administrez le questionnaire et imposez une réponse unique par participant.
   1. Inviter les apprenants éligibles (HSK 5+ ou équivalent opérationnel) et établir un protocole standardisé de collecte de données. Spécifiez la fenêtre d’administration exacte (par exemple, une période définie de deux semaines à la fin du trimestre) et le mode de complétion (par exemple, des sessions supervisées en classe de 15 à 20 minutes pour garantir une participation ciblée, ou une distribution en ligne contrôlée via des liens d’enquête sécurisés et temporisés). Les enseignants ou chercheurs doivent fournir un briefing standardisé avant la distribution du questionnaire, expliquant clairement l’objectif de l’étude, garantissant l’anonymat des données et définissant les points d’ancrage de l’échelle de Likert à 7 points pour tous les répondants.
   2. Imposez une réponse par participant en délivrant un jeton d’accès à usage unique par apprenant (ou un code équivalent à usage unique), en désactivant les soumissions répétées et en vérifiant les doublons via le journal des jetons.
   3. Si l’anonymat est requis, stockez les jetons séparément des réponses et hachez tout identifiant de connexion avant analyse.
   4. Documentez toutes les règles d’exclusion (par exemple, réponses incomplètes, entrées de jeton en double) avant le nettoyage des données afin d’éviter les biais post-hoc.
3. Enregistrer les métadonnées pour l’analyse des sous-groupes.
   1. Enregistrer des métadonnées complètes non identifiantes afin de définir clairement le profil du répondant pour l’analyse des sous-groupes. Pour les apprenants, cela doit inclure des caractéristiques démographiques et académiques telles que le groupe de langue maternelle, l’âge, le genre, les années d’étude du mandarin, le niveau actuel de compétence HSK, la majeure académique, le type de cours et le lieu d’étude. Pour le panel d’experts, consignez explicitement les données démographiques professionnelles, y compris les années d’expérience en enseignement, le diplôme académique le plus élevé obtenu et une expertise spécifique dans un domaine (par exemple, enseignement de la littérature, technologies éducatives).
      ATTENTION : Protégez les informations personnelles identifiables et suivez les procédures approuvées de gestion des données.

7. Degrés d’adhésion au calcul (FCE)

1. Définissez les notes d’évaluation et les scores numériques.
   1. Définissez un ensemble d’évaluation de cinq niveaux : Excellent, Bien, Modéré, Relativement Mauvais, Médiocre.
   2. Attribuez des scores numériques pour la conversion de la note à l’index (par exemple, 90, 80, 70, 60, 50), et notez le schéma de notation dans le fichier supplémentaire S3³⁸.
2. Spécifier les fonctions d’appartenance et construire des matrices d’adhésion.
   1. Spécifier des fonctions d’appartenance pour mapper les réponses de Likert aux appartenances de grade (par exemple, fonctions trapézoïdales^)39,40.
   2. Fournir des paramètres explicites pour chaque limite de pente dans le fichier supplémentaire S3, et indiquer si les mêmes paramètres s’appliquent à tous les indicateurs.
   3. Pour chaque indicateur, convertissez chaque réponse de l’apprenant en un vecteur d’appartenance à 5 éléments, puis agrégez entre les apprenants (par exemple, en faisant la moyenne des appartenances) pour former le vecteur d’appartenance au niveau de l’indicateur.
   4. Empiler tous les vecteurs d’appartenance au niveau des indicateurs pour construire la matrice d’appartenance indicateur par grade.

8. Effectuer une synthèse floue et dériver l’indice de durabilité (SI)

1. Appliquez un opérateur flou pondéré.
   1. Combinez le vecteur poids de l’indicateur avec la matrice d’appartenance à l’indicateur en utilisant un opérateur de synthèse floue pondérée spécifié (par exemple, un opérateur de moyenne pondérée) pour obtenir le vecteur d’appartenance complet^41,42.
   2. Indiquez le nom et la formule de l’opérateur dans le fichier supplémentaire S3 afin d’assurer la reproductibilité autonome.
2. Défuzzifiker pour calculer le SI à l’échelle de 0 à 100.
   1. Convertir le vecteur d’appartenance global en une seule valeur SI par la moyenne pondérée des scores de notes (comme défini à la section 8.1.2).
   2. Sortez les valeurs SI au niveau dimensionnel en répétant les sections 9.1–9.2 dans chaque dimension à l’aide de poids indicateurs spécifiques à chaque dimension.
   3. Classifier les valeurs SI selon des seuils prédéfinis : 85–90 = Excellent ; 75–84 = Bon ; 65–74 = Modéré ; 55–64 = Relativement pauvre ; ≤ 54 = Pauvre.
      POINT DE PAUSE : Stockez les vecteurs intermédiaires, matrices et feuilles de calcul (ou sorties de script) avec des hachages de fichiers dans un dépôt.

9. Validation qualitative optionnelle (méthodes mixtes)

1. Exemples de participants pour les entretiens.
   1. On échantillonne les instructeurs et apprenants en utilisant un schéma proposé aligné sur les schémas de l’IS (par exemple, une grande ou faible adaptabilité culturelle) et obtenir un consentement supplémentaire pour l’enregistrement.
   2. Utilisez un guide d’entretien semi-structuré axé sur l’interprétabilité des scores, les facteurs perçus de durabilité et les contraintes contextuelles (Fichier Supplémentaire S4)⁴³.
2. Code et triangulation des résultats.
   1. Transcrivez les enregistrements mot pour mot et dé-identifiez les transcriptions avant de les coder.
   2. Les transcriptions de code utilisant un schéma de codage prédéfini, ainsi que la formation des codeurs, l’accord inter-codeurs (le cas applicable), et les règles^{de résolution 44,45}.
   3. Triangulez les thèmes qualitatifs avec les résultats SI au niveau de la dimension pour contextualiser les forces et faiblesses sans passer outre la procédure quantitative.

10. Rapport et archive (package de reproductibilité)

1. Rapport sur les productions principales.
   1. Rapportez les poids des dimensions et des indicateurs, les matrices d’appartenance (ou résumés), les valeurs SI, les étiquettes de grade et les comparaisons de sous-groupes (par exemple, sites ou groupes de compétence).
   2. Indiquez toutes les règles d’exclusion et les tailles d’échantillons finales analysées (assurez-vous de la cohérence avec le résumé/résultats).
2. Documents d’archives et code.
   1. Archivez les ensembles de données, scripts et feuilles de calcul anonymisés utilisés pour la pondération FAHP, le calcul des membres, la synthèse et la défuzzification.
   2. Fournir des versions logicielles/à l’exécution (par exemple, version du langage de programmation ; versions de paquet) et des graines aléatoires fixes (si utilisées^)46,47.
3. Faites une analyse de sensibilité (recommandée).
   1. Perturbez les pondérations de l’indicateur de ±10 % (un à la fois ou dans la dimension) lors de la renormalisation, recalculez le SI, et résumez les fluctuations du SI pour identifier les points de levier (Tableau 2).
   2. Interprétez les indicateurs de faible poids mais de haute sensibilité comme des « seuils de risque » potentiels, et signalez-les explicitement.

Résultats

Poids dimensionnels et indicateurs clés
En utilisant le processus hiérarchique analytique flou (FAHP), les poids de dimension indiquaient que la dimension technique (T) contribuait la plus grande part à la durabilité (0,32), suivie de la dimension culturelle (C, 0,26) et de la dimension pédagogique (P, 0,23), tandis que la dimension politique (G) recevait le poids le plus faible (0,19)¹⁷. Au niveau de l’indicateur, la dimension technique a donn...

Discussion

Ce protocole démontre qu’un flux de travail hybride FAHP–FCE peut opérationnaliser la « durabilité de l’enseignement » dans les cours de littérature chinoise internationale assistée numériquement comme un index transparent et reproductible, plutôt qu’un résultat vaguement défini. Les résultats indiquent que la fonctionnalité technique fonctionne comme une couche préalable à la durabilité, l’interprétabilité algorithmique montrant la plus grande sensibilité aux fluctuations de l’indice de...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Questionnaire pour les apprenants (19 items)	Auto-conçu	N/A	Utilisé pour collecter les apprenants évaluations de la technologie, de la pédagogie, de la culture et des dimensions politiques ; Échelle de Likert à 7 points
Formulaire expert de comparaison par paires	Auto-conçu	N/A	Utilisé pour collecter des experts Comparaisons floues par paires pour le calcul du poids FAHP
Modèle de capture de données & Scénarios	Excel / Python	N/A	Utilisé pour le stockage de données, le calcul de matrices d’appartenance et la génération d’indices de durabilité (SI)